Clasificación de imágenes SEM a partir de técnicas de aprendizaje profundo [recurso electrónico] / Luis Alberto Quintero López ; director, Jesús Caro Gutiérrez ; codirector, Félix Fernando González Navarro
Tipo de material:
TextoDetalles de publicación: Mexicali, Baja California, 2025Descripción: 1 recurso en línea, 96 p. ; il. col., gráficas, fotsTema(s): Nanotecnología -- Tesis y disertaciones académicas | Nanotecnología -- Manuales, etc. -- Tesis y disertaciones académicas | Nanotecnología: aplicaciones industriales -- Tesis y disertaciones académicasClasificación LoC:T174.7 | Q85 2025Recursos en línea: Tesis digital
Nota de disertación: Tesis (Maestría) - - Universidad Autónoma de Baja California, Instituto de Ingeniería, Mexicali, 2025 Resumen: En la actualidad, el desarrollo de nuevas tecnolog ́ıas está fuertemente
relacionado al estudio de nanomateriales. La nanotecnología es un
campo de investigación prometedor que implica la manipulación de
nanomateriales y cuenta con una gran variedad de aplicaciones. Para
estudiar estos nanomateriales, los investigadores utilizan microscopios
electrónicos de barrido, los cuales permiten generar y almacenar
imágenes. Los diferentes usuarios encargados de etiquetar estas
imágenes tienden a hacerlo de acuerdo con criterios subjetivos, lo
que genera una gran cantidad de datos difíciles de gestionar. Ante
esta problemática, el presente trabajo tiene como objetivo desarrollar
una arquitectura de aprendizaje profundo que permita clasificar
autom ́aticamente las imágenes de nanomateriales, facilitando así su
gestión. Para ello, se emplearon cuatro arquitecturas de aprendizaje
profundo: CUSTOM, AlexNet, VGG16 y ResNet50. Se realizó
una comparación entre ellas para determinar cu ́al ofrece un mejor
desempeño en la tarea de clasificación, basándose en las métricas
de exactitud, precisión, sensibilidad y puntaje-F1. Los resultados
obtenidos muestran que los modelos CUSTOM y AlexNet presentaron
un rendimiento inferior en la tarea de clasificación, con exactitudes
promedio del 63.88% y 82.08%, respectivamente. En cambio, los
modelos VGG16 y ResNet50 destacaron por obtener los mejores
resultados, alcanzando exactitudes promedio del 95.41%. Aunque no
se observó una diferencia significativa entre VGG16 y ResNet50, se
recomienda optar por el modelo VGG16, debido a que posee un número
de capas considerablemente menor que ResNet50, lo que se traduce en
un menor consumo de recursos computacionales. Esta ventaja hace
que VGG16 sea más rápido en términos de tiempo de entrenamiento y lo convierte en una opción más viable, especialmente en entornos con
limitaciones de poder computacional.
| Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
| Tesis | Biblioteca Central Mexicali | Colección de Tesis | T174.7 Q85 2025 (Browse shelf(Abre debajo)) | 1 | Disponible | MXL125414 |
Maestría y Doctorado en Ciencias e Ingeniería
Tesis (Maestría) - - Universidad Autónoma de Baja California, Instituto de Ingeniería, Mexicali, 2025
Incluye referencias bibliográficas.
En la actualidad, el desarrollo de nuevas tecnolog ́ıas está fuertemente
relacionado al estudio de nanomateriales. La nanotecnología es un
campo de investigación prometedor que implica la manipulación de
nanomateriales y cuenta con una gran variedad de aplicaciones. Para
estudiar estos nanomateriales, los investigadores utilizan microscopios
electrónicos de barrido, los cuales permiten generar y almacenar
imágenes. Los diferentes usuarios encargados de etiquetar estas
imágenes tienden a hacerlo de acuerdo con criterios subjetivos, lo
que genera una gran cantidad de datos difíciles de gestionar. Ante
esta problemática, el presente trabajo tiene como objetivo desarrollar
una arquitectura de aprendizaje profundo que permita clasificar
autom ́aticamente las imágenes de nanomateriales, facilitando así su
gestión. Para ello, se emplearon cuatro arquitecturas de aprendizaje
profundo: CUSTOM, AlexNet, VGG16 y ResNet50. Se realizó
una comparación entre ellas para determinar cu ́al ofrece un mejor
desempeño en la tarea de clasificación, basándose en las métricas
de exactitud, precisión, sensibilidad y puntaje-F1. Los resultados
obtenidos muestran que los modelos CUSTOM y AlexNet presentaron
un rendimiento inferior en la tarea de clasificación, con exactitudes
promedio del 63.88% y 82.08%, respectivamente. En cambio, los
modelos VGG16 y ResNet50 destacaron por obtener los mejores
resultados, alcanzando exactitudes promedio del 95.41%. Aunque no
se observó una diferencia significativa entre VGG16 y ResNet50, se
recomienda optar por el modelo VGG16, debido a que posee un número
de capas considerablemente menor que ResNet50, lo que se traduce en
un menor consumo de recursos computacionales. Esta ventaja hace
que VGG16 sea más rápido en términos de tiempo de entrenamiento y lo convierte en una opción más viable, especialmente en entornos con
limitaciones de poder computacional.
